Ионная жидкость

Sep 30, 2023

Токийский научный университет, 1 июня 2022 г.

Вычисления физических резервуаров могут использоваться для выполнения высокоскоростной обработки данных искусственного интеллекта с низким энергопотреблением.

Исследователи из Японии разработали перестраиваемое физическое резервуарное устройство, основанное на диэлектрической релаксации на границе раздела электрод-ионная жидкость.

В ближайшем будущем все больше и больше обработки искусственным интеллектом будет происходить на периферии — рядом с пользователем и там, где собираются данные, а не на удаленном компьютерном сервере. Для этого потребуется высокоскоростная обработка данных с низким энергопотреблением. Вычисления физических резервуаров являются привлекательной платформой для этой цели, и новый прорыв ученых из Японии сделал эту платформу гораздо более гибкой и практичной.

Physical reservoir computing (PRC), which relies on the transient response of physical systems, is an attractive machine learningMachine learning is a subset of artificial intelligence (AI) that deals with the development of algorithms and statistical models that enable computers to learn from data and make predictions or decisions without being explicitly programmed to do so. Machine learning is used to identify patterns in data, classify data into different categories, or make predictions about future events. It can be categorized into three main types of learning: supervised, unsupervised and reinforcement learning." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"> Среда машинного обучения, которая может выполнять высокоскоростную обработку сигналов временных рядов при малом энергопотреблении. Однако системы PRC имеют низкую настраиваемость, что ограничивает сигналы, которые они могут обрабатывать. Теперь исследователи из Японии представляют ионные жидкости как легко настраиваемое физическое резервуарное устройство, которое можно оптимизировать для обработки сигналов в широком диапазоне временных масштабов, просто изменяя их вязкость.

Искусственный интеллект (ИИ) быстро становится повсеместным в современном обществе и получит более широкое распространение в ближайшие годы. В приложениях, включающих датчики и устройства Интернета вещей, нормой часто является периферийный искусственный интеллект — технология, в которой вычисления и анализ выполняются близко к пользователю (где собираются данные) и недалеко от централизованного сервера. Это связано с тем, что периферийный ИИ имеет низкие требования к энергопотреблению, а также возможности высокоскоростной обработки данных, что особенно желательно при обработке данных временных рядов в реальном времени.

Временная шкала сигналов, обычно генерируемых в живой среде. Время отклика системы PRC с ионной жидкостью, разработанной командой, можно настроить для оптимизации обработки таких реальных сигналов. Фото: Кентаро Киносита из TUS

В этом отношении физические резервуарные вычисления (PRC), основанные на переходной динамике физических систем, могут значительно упростить парадигму вычислений периферийного ИИ. Это связано с тем, что PRC можно использовать для хранения и обработки аналоговых сигналов в те, с которыми ИИ может эффективно работать и анализировать. Однако динамика твердых систем PRC характеризуется конкретными временными масштабами, которые нелегко настраивать и которые обычно слишком быстры для большинства физических сигналов. Такое несоответствие временных масштабов и их низкая управляемость делают PRC во многом непригодными для обработки сигналов в реальном времени в живых средах.

To address this issue, a research team from Japan involving Professor Kentaro Kinoshita and Sang-Gyu Koh, a PhD student, from the Tokyo University of Science, and senior researchers Dr. Hiroyuki Akinaga, Dr. Hisashi Shima, and Dr. Yasuhisa Naitoh from the National Institute of Advanced Industrial Science and Technology, proposed, in a new study published in the journal Scientific ReportsEstablished in 2011, <em>Scientific Report</em>s is a peer-reviewed open-access scientific mega journal published by Nature Portfolio, covering all areas of the natural sciences. In September 2016, it became the largest journal in the world by number of articles, overtaking <em>PLOS ON</em>E." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"Scientific Reports, the use of liquid PRC systems instead. “Replacing conventional solid reservoirs with liquid ones should lead to AI devices that can directly learn at the time scales of environmentally generated signals, such as voice and vibrations, in real time,” explains Prof. Kinoshita. “Ionic liquids are stable molten salts that are completely made up of free-roaming electrical charges. The dielectric relaxation of the ionic liquid, or how its charges rearrange as a response to an electric signal, could be used as a reservoir and is holds much promise for edge AI physical computing.”/p>

The tunability of the system was demonstrated using an AI image identification task. The AI was presented a handwritten image as the input, which was represented by 1 µs width rectangular pulse voltages. By increasing the side chain length, the team made the transient dynamics approach that of the target signal, with the discrimination rate improving for higher chain lengths. This is because, compared to [emim+] [TFSI–], in which the current relaxed to its value in about 1 µs, the IL with a longer side chain and, in turn, longer relaxation time retained the history of the time series data better, improving identification accuracyHow close the measured value conforms to the correct value." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"accuracy. When the longest sidechain of 8 units was used, the discrimination rate reached a peak value of 90.2%./p>